Algorithms for Size and Color Detection of Smartphone Images of Chronic Wounds for Healthcare Applications
Notice bibliographique
Résumé
A mobile app for smartphones and tablets to document pressure ulcers was previously developed. The mobile app is part of the rapidly growing field of mobile health. The mobile app replaces paper-based documentation in a healthcare facility with an electronic record. In a user trial in 2013, a key finding was the high value attributed to wound image (photograph) galleries in the mobile app and wound tracking though graphing progression. Consequently, work was undertaken to enhance the imaging features by developing image analysis algorithms for size and color determination of wounds from wound images taken with an on-board smartphone or tablet camera, using no peripheral hardware or ancillary devices in setting up the image. The reliance solely on the internal smartphone sensors to generate high-accuracy measurements brings novelty to the work and specifically in the field of wound management. The work includes three components. The first component, referred to as mask image, obtains the dimensions of an object in the image. The second component, referred to as camera calibration, reconstructs an image taken on an angle (3-D) referenced back to a 2-D plane. The third algorithm determines the range of colors present in an image, separating the image into three component colors by extracting components from the Red Green Blue format of the image, and converting output to red yellow black. An expert system and/or machine learning is recommended to enhance the correlation of wound color to wound stage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».